Aplicação de redes neurais convolucionais densamente conectadas no processamento digital de imagens para remoção de ruído gaussiano

Mazza, Leonardo Oliveira

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/17972

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Mello, Flavio Luis de	-
dc.contributor.author	Mazza, Leonardo Oliveira	-
dc.date.accessioned	2022-07-27T20:33:39Z	-
dc.date.available	2023-12-21T03:00:19Z	-
dc.date.issued	2017-02	-
dc.identifier.uri	http://hdl.handle.net/11422/17972	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Redes Neurais Artificiais	pt_BR
dc.subject	Redes Neurais Convolucionais Profunda	pt_BR
dc.subject	Processamento de Imagens	pt_BR
dc.title	Aplicação de redes neurais convolucionais densamente conectadas no processamento digital de imagens para remoção de ruído gaussiano	pt_BR
dc.title.alternative	application of densely connected convolutional neural networks in digital image processing to remove Gaussian noise	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/8123046464465333	pt_BR
dc.contributor.advisorCo1	Almeida, Heraldo Luís Silveira de	-
dc.contributor.advisorCo1Lattes	http://lattes.cnpq.br/5485306951214599	pt_BR
dc.contributor.referee1	Gomes, José Gabriel Rodriguez Carneiro	-
dc.contributor.referee2	Savarese, Pedro Henrique Pamplona	-
dc.description.resumo	Este trabalho propõe uma aplicação de uma rede neural convolucional profunda em remoção de ruído gaussiano de imagens. Redes profundas têm obtido êxito em diversas tarefas de classificação e regressão. Em particular, a Rede Neural Convolucional Densamente Conectada tˆem apresentado resultados competitivos em bases de dados padrão usadas em medidas de desempenho. Por isso, essa rede foi escolhida como modelo de regressão com o objetivo de remoção de ruído gaussiano. A metodologia para treinamento da rede foi iniciada pela cria¸c˜ao de uma base de dados de imagens ruidosas. Essas imagens foram, então, colocadas na entrada da rede para filtragem e a saída foi comparada com a versão sem ruído a partir de uma função custo. Os parâmetros da rede foram, em seguida, alterados a partir de um método baseado em descida de gradiente a fim de minimizar o custo. Dessa forma, a rede treinada aprende a remover o ruído aplicado. O resultado final, comparado a outros métodos, possuiu melhores indicadores de desempenho em duas das três imagens de teste e obteve resultados próximos em uma terceira. Durante a filtragem com ruído de variância 400, as imagens Lena e Boats obtiveram SSIM de 0.84 e 0.83 respectivamente. Na imagem Lena, o resultado foi 0.05 superior ao método GSM e na imagem Boats 0.02 superior ao m´etodo SVR, ambos o segundo melhor método em cada imagem. Na imagem Barbara, o resultado foi o segundo melhor com SSIM 0.84, 0.02 inferior ao método GSM.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Escola Politécnica	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Engenharia de Controle e Automação

Files in This Item:

File	Description	Size	Format
monopoli10019807.pdf		3.94 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository